Question

我正在使用keras后端通过tensorflow训练一些模型。

当我在同一个对象的训练后立即调用预测时，它可以正常工作，并为不同的输入提供不同的值。但是当我将模型保存到文件中，然后从另一个python会话加载它时，predict总是为不同的输入返回相同的值。

我使用ModelCheckpoint保存模型，然后使用load_model进行加载。我还尝试将架构分别保存并加载到具有to_json和model_from_json函数的json文件中。示例代码：

保存部分

with open("model.json", "w") as textFile:
   print(model.to_json(), file = textFile)

model.fit(X_train, y_train, epochs=iterationCount, batch_size=64, validation_split=0.2, callbacks = [ModelCheckpoint(filepath='model.h5', verbose=0, save_best_only=True)])

装载部分

with open('model.json') as json_file:
    model = model_from_json(json_file.read())

model.load_weights('model.h5')

有什么想法可以解决这个问题？有什么我想念的吗？

Answer 1

不幸的是，许多人（像我一样）一直抱怨keras bug会影响save_weights和load_weights功能。

我最终避免使用这些功能。如果我想加载/存储我的模型，我只需执行以下操作：

from keras.models import load_model

trained_model.save(file_path)
loaded_model = load_model(file_path)

save函数可以保存您的权重，还可以保存您的网络结构和优化程序的状态（它可以确保您可以从准确的位置继续训练模型）。

Answer 2

我遇到了同样的问题，我通过为tensorflow，numpy和python设置了固定种子来解决了这个问题。

import tensorflow as tf
import numpy as np
import random as python_random
tf.random.set_random_seed(42)
np.random.seed(42)
python_random.seed(42)

小心！不同版本的tensorflow可能需要不同的方式来设置种子！

Answer 3

keras模型保存/加载有两种方式（两种方式我觉得使用起来很舒服）。保存模型结构和权重model.save(file_path)并仅保存模型权重model.save_weights(file_path)。所以我保存/加载模型如下：

from keras.models import load_model
trained_model.save(file_path)
loaded_model = load_model(file_path)

trained_model.save_weights(file_path)
# We have to define model first before loading weights
trained_model.load_weights(file_path)

在这里，load_weights(file_path, by_name=True)允许您将权重加载到具有共同层名称的不同结构中。

keras＆gt;加载保存的模型后，始终保持相同的预测值

3 个答案: